如何通过PR曲线在Scikit-learn中评估模型的精确率和召回率？

本文共计697个文字，预计阅读时间需要3分钟。

这是最常见的起步卡片点：

解决方法不是换函数，而是加average参数：

• average='macro'：对每个类单独算精确率/召回率，再无权重平均（推荐初筛）
• average='micro'：全局统计TP/FP/FN，适合类别不均衡时更稳
• average=None：返回每个类的原始值，方便查哪一类拖后腿

别漏掉zero_division参数——某类没预测出来时，默认会报UndefinedMetricWarning，设成zero_division=0可静默填0。

画PR曲线必须用precision_recall_curve，不能用classification_report

classification_report只给阈值为0.5时的单点指标，而PR曲线本质是“换一堆阈值，看精确率和召回率怎么 trade-off”。真要画图，得靠precision_recall_curve——它只收概率输出（y_score），不接受硬分类结果（y_pred）。

立即学习“Python免费学习笔记（深入）”；

典型错误是把model.predict(X)传进去，结果得到全0或全1的y_score，画出来就是两条直线。

• 对LogisticRegression，用model.predict_proba(X)[:, 1]取正类概率
• 对RandomForestClassifier，同样用predict_proba，别用decision_function（后者不一定存在）
• 多分类转二分类？先用label_binarize把目标类变成1、其余为0，再喂进precision_recall_curve

average_precision_score和PR曲线下面积（AUC-PR）不是一回事

很多人以为average_precision_score(y_true, y_score)就是AUC-PR，其实它默认用的是“近似插值法”（基于precision_recall_curve的点做梯形积分），而严格AUC-PR应从(0,1)开始积分。两者在正样本极少时可能差0.02–0.05。

如果你需要可复现的AUC-PR值，建议显式调用：

from sklearn.metrics import auc precision, recall, _ = precision_recall_curve(y_true, y_score) pr_auc = auc(recall, precision)

注意：auc要求recall单调递减（已由precision_recall_curve保证），别自己排序搞乱顺序。

测试集太小或正样本

PR曲线依赖召回率分段，而召回率 = TP / (TP + FN)。当测试集中正样本总数

这时优先看average_precision_score数值，或改用roc_auc_score（ROC对小样本更鲁棒）。如果业务强依赖PR，唯一办法是扩大测试集，或用交叉验证聚合多折的PR点再平均。

别信“平滑曲线”——有些可视化库自动插值补点，掩盖了数据稀疏问题。原始precision和recall数组长度往往只有正样本数+1，这个数字值得先print出来看看。